用于糖尿病视网膜病变诊断的病变感知网络

深度学习为自动糖尿病视网膜病变（DR）诊断带来了显著提升，从而极大地帮助眼科医生进行早期疾病检测，这有助于防止疾病恶化最终可能导致失明。已证明基于卷积神经网络（CNN）的病变识别或分割有助于自动 DR 筛查。细粒度病变任务的关键主要在于：（1）提取对微小病变敏感且对 DR 无关干扰具有鲁棒性的特征，以及（2）利用和重用编码信息以在数据分布极度不平衡的情况下恢复病变位置。为此，我们提出了一种带有注意力机制的基于 CNN 的 DR 诊断网络——病变感知网络，以更好地从不平衡数据中捕获病变信息。具体而言，我们设计了病变感知模块（LAM）以在更深层中捕获类噪声的病变区域，以及特征保持模块（FPM）以辅助浅层到深层的特征融合。随后，通过将 LAM 和 FPM 嵌入 CNN 解码器中构建了所提出的病变感知网络（LANet），用于 DR 相关信息的利用。所提出的 LANet 进一步通过添加分类层扩展为 DR 筛查网络。在三个带有像素级标注的公开眼底数据集上的实验表明，我们的方法在 DR 筛查中的曲线下面积达到 0.967，在三个数据集上的病变分割中平均精度分别提升了 7.6%、2.1% 和 1.2%。此外，消融研究验证了所提出子模块的有效性。